КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ВЫРАБОТКИ ВЕТРОВОЙ ЭЛЕКТРОСТАНЦИИ Текст научной статьи по специальности «Энергетика и рациональное природопользование»

УДК 620.9

DOI 10.46920/2409-5516_2022_8174_20

EDN: VFNJCH

Краткосрочное прогнозирование выработки ветровой электростанции

Short-term forecasting of wind farm generation

Василий ЗУБАКИН Заведующий базовой кафедрой возобновляемых источников энергии РГУ нефти и газа (НИУ) имени И.М. Губкина, профессор, д. э. н. e-mail: [email protected]

Vasily ZUBAKIN

Doctor of Economics, Professor, Head of the Basic Department of Renewable Energy Sources of the Russian State University of Oil and Gas (NRU) named after I.M. Gubkin e-mail: [email protected]

Сильный ветер на Дальнем Востоке Источник: ainews.kz

Аннотация. В статье описаны основные методы краткосрочного прогнозирования скорости ветра и выработки ВЭС. Произведена оценка точности прогнозирования с горизонтом от 1 часа до 6 часов для разных моделей на основе глубокого обучения и классических 2i

статистических моделей. Предложена комбинированная модель для краткосрочного прогнозирования выработки ВЭС.

Ключевые слова: возобновляемые источники энергии, прогноз выработки ВЭС, машинное обучение, рекуррентные нейросети с архитектурой LSTM, статистические модели, нейронная сеть Temporal Fusion Transformer.

s

I-

Abstract. The article describes the main methods of short-term forecasting of wind speed and wind farm generation. An assessment of the accuracy of forecasting with a horizon of 1 hour to б hours for different models based on deep learning and classical statistical models was made. A combined model for short-term forecasting of WPP generation is proposed. Keywords: renewable energy sources, wind farm generation forecast, machine learning, recurrent neural networks with LSTM architecture, statistical models, Temporal Fusion Transformer neural network.

II

С развитием современных технологий точность прогнозирования как потребления электрической энергии, так и генерации -растет

Введение

Для успешной интеграции возобновляемых источников энергии в энергетические системы требуются точные и надежные прогнозы объектов генерации. С увеличением установленной мощности объектов ВИЗ и изменением структуры энергетических рынков растет потребность в краткосрочных и среднесрочных прогнозах.

С развитием современныхтехнологий точность прогнозирования как потребления электрической энергии, так и генерации растет. Можно использовать методы машинного обучения для прогнозирования выработки ветряных электростанций, которые иногда для краткосрочных прогнозов дают лучшие результаты, чем традици-

Циклон, вид из космоса Источник: astronews.ru

онные физические модели, основанные на моделировании погоды. Однако при применении методов машинного обучения кобласти прогнозирования ветровой энергии возникает проблема, связанная с временем вычисления.

Повысить точность прогнозирования выработки ветряных электростанций можно, используя модели ансамбля, которые объединяют прогнозы многочисленных и желательно разных моделей, что уменьшает ошибку прогноза. Сначала анализируются однородные ансамблевые ре-грессоры, использующие единый базовый алгоритм. Далее предлагается построение разнородных ансамблей. Эти модели ис-

<N СЧ

<

О

CX

<

О

How are Wind and Solar Forecasts Produced?

Numerical Weather Prediction (NWP) Models (National Meteorological Agencies)

Wind and solar plant data (Generating units)

Power Prediction Systems (ln-house, vendors)

Рис. 1. Использование статистического метода прогнозирования для статистической корректировки результатов, полученных из моделей численного прогноза погоды

пользуют несколько базовых алгоритмов и выигрывают от увеличения разнообразия среди комбинированных предикторов. Международный опыт показывает, что сочетание различных методов в ансамбле уменьшает ошибку прогноза, а также сокращает время вычисления [1-3].

Прогнозирование выработки ВЭС

На сегодняшний день разработано большое количество различных моделей прогнозирования выработки ВЭС. Данные модели различаются с точки зрения требуемых входных параметров и используемого инструментария.

Выбор модели во многом зависит от временного горизонта прогнозирования.

Очевидно, что при увеличении горизонта прогнозирования ошибка прогноза увеличивается [4].

По одной из классификаций все существующие методы прогнозирования выработки ВЭС делятся на:

1. Физические методы. Вводные данные: (температура, давление, шероховатость поверхности, препятствия) в модели численного прогноза погоды (ЧПП) для создания погодных условий для конкретной местности

2. Статистические методы. Используются исторические данные и данные генерации в реальном времени для статистической корректировки результатов, полученных из моделей численного прогноза погоды (рис. 1).

Комбинирование статистических моделей, а также моделей машинного обучения вместе с численным прогнозом погоды и анализом местности методами вычислительной гидродинамики является наиболее оптимальным методом прогнозирования.

3. Персистентный метод: в качестве следующего прогноза используются предыдущие значения. Данный метод основывается на простом предположении «завтра будет,

Повысить точность прогнозирования выработки ветростанций можно, используя модели ансамбля, которые объединяют прогнозы многочисленных и желательно разных моделей, что уменьшает ошибку

Технологии прогнозирования скорости ветра делятся на два типа. Первый основан на использовании численного прогнозирования погоды. Второй -на статистическом моделировании и работе с данными

как вчера». Иногда считают, что будущее значение переменной зависит от среднего ее предыдущих значений, а значит, пользуются скользящей средней.

К сожалению, такой прогноз дает большую ошибку при долгосрочном прогнозировании [5]. Для получения предсказания на шаг вперед предыдущее значение должно быть фактически наблюдаемой величиной.

4. Ансамблевое прогнозирование. Хорошей альтернативой известным алгоритмам машинного обучения является применение ансамблевых моделей. Используя ряд различных предикторов и, в конечном итоге, объединяя их выходные значения с про-

гнозом, можно повысить точность классификации и регрессии, часто сокращая необходимое время вычислений. В отличие от современных алгоритмов машинного обучения, ансамблевые методы требуют меньшей настройки и экспертных знаний в предметной области. Было показано, что групповые классификаторы и регрессоры хорошо работают в различных приложениях, таких как распознавание изображений, медицина, сетевая безопасность и другие [6].

Ансамблевые модели регрессии для прогнозирования ВЭС используются достаточно часто. Интуиция, стоящая за ансамблевыми моделями простая: прежде чем принять важное решение, мы спрашиваем мнение нескольких человек.

Тем не менее, необходимо отметить, что эффективность ансамблевого прогнозирования сильно зависит от распределения ошибки каждой регрессионной модели.

Краткосрочное прогнозирование скорости ветра

Концептуально технологии прогнозирования скорости ветра можно разделить на два типа. Одним из них является подход,

Марченковская ВЭС Источник:гозШдаге1а.ги

<

Были построены модели на горизонт планирования 1-6 часов и произведен анализ моделей по различным метрикам ошибки. В качестве данных брались значения скорости ветра за предыдущее время

основанный на физической модели, то есть использование численного прогнозирования погоды (NWP). Второй подход основан на статистическом моделировании, то есть работы с данными.

Поскольку NWP основано на физических моделях, оно, с одной стороны, позволяет прогнозировать на относительно более длительный временной горизонт, от нескольких часов до нескольких дней вперед. С другой стороны, интенсивные вычисления, необходимые для решения сложных моделей погоды, ограничивают временные и пространственные разрешения для NWP из-за чего для краткосрочного прогноза обязательно использование статистических моделей.

Поэтому для прогнозирования скорости ветра в краткосрочной перспективе целесообразно изучить и оценить существую-

щие статистические модели (MA, ARIMA и др.), а также модели с использованием машинного обучения (Random Forest, RNN, LSTM и др.).

Краткосрочное прогнозирование выработки ВЭС

Прогнозирование выработки ветряной электростанции является более сложней задачей, чем прогнозирование скорости ветра.

Однако учет дополнительных факторов в моделировании кривой мощности ветро-генератора, позволяет снизить ошибку прогноза [7], поэтому планы по выработке ВЭС эффективнее строить на основе прогноза не только скорости ветра, но и других параметров.

Так для снижения ошибки краткосрочного прогноза выработки ВЭС наиболее эффективно использовать следующий инструментарий:

1. Данные, полученные из численных моделей прогнозирования и SCADA.

2. Моделирование ветрового потока с помощью моделей вычислительной гидродинамики.

3. Современные модели нейронных сетей (Temporal Fusion Transformer, N-BEATS (ElementAI).

Temporal Fusion Transformer (TFT) -новая архитектура нейронных сетей, ос-

Азовская ВЭС Источник: energy-polis.ru

Рис. 2. Архитектура сети N-BEATS

нованная на внимании, которая сочетает в себе высокоэффективное прогнозирование с несколькими горизонтами с интерпретируемым пониманием временной динамики. Чтобы изучить временные отношения в разных масштабах, TFT использует повторяющиеся слои для локальной обработки и интерпретируемые уровни собственного внимания для долгосрочных зависимостей. TFT использует специализированные компоненты для выбора соответствующих функций и ряд уровней стробирования для подавления ненужных компонентов, обеспечивая высокую производительность в широком диапазоне сценариев. На множестве реальных наборов данных модель демонстрирует значительное улучшение производительности по сравнению с существующими эталонными моделями [8].

N-BEATS (ElementAI). Данная архитектура нейронной сети наиболее эффективно используется для одномерных временных рядов (рис. 2).

Моделирование прогноза скорости ветра для ВЭС

В качестве объекта моделирования был выбран ветрогенератор, расположенный в Российской Федерации. В качестве вход-

ных данных использовались параметры, полученные со ЭСАОА с шагом 10 минут и1 час.

Цель моделирования: оценить эффективность разных моделей прогнозирования для скорости ветра.

Были построены модели для прогнозирования на горизонт планирования от 1 часа до 6 часов и произведен сравнительный анализ моделей прогнозирования по различным метрикам ошибки.

В качестве входных данных брались значения скорости ветра за предыдущее время.

Оценка ошибки прогноза была произведена для горизонта планирования от 1 до 6 часов. Результаты прогнозирования представлены в таблицах 1 и 2.

Однако в отсутствие других эндогенных и экзогенных данных простые статистические модели оказываются более эффективны, чем модели машинного обучения для прогнозирования от 1 до4 часов

XGboost

Random Forest 13,1 19,2 24,1 25,3 27,1 28,9

MLP 11,1 17,9 21.6 22,2 24,9 26,1

RNN 12,2 18,1 20,1 22,9 23,6 25,6

LSTM 12,4 16,9 18,1 21,2 22,8 24,9

Скользящая средняя 6,2 11,1 17,4 20,5 25,2 27,2

Таблица 1. MAPE прогноза скорости ветра

Метод Горизонт прогнозирования 1 ч 2 ч 3 ч 4 ч 5 ч 6 ч I

XGboost 1,01 1,39 1,6 1,77 1,9 2,04

Random Forest 1,1 1,45 1,72 1,9 2,02 2,19

MLP 1,05 1,36 1.63 1,76 1,95 2,01

RNN 1,09 1,32 1,58 1,82 1,91 1,99

LSTM 1,1 1,28 1,41 1,59 1,8 1,94

Скользящая средняя 0,52 1,05 1,36 1,43 1,93 2,05

Таблица 2. RMSE прогноза скорости ветра

Модели, используемые для прогнозирования скорости ветра представлены ниже: градиентный бустинг; Random Forest; XGboost;

многослойный перцептрон (MLP); рекуррентная нейронная сеть (RNN); LSTM-сеть;

скользящая средняя (MA).

Применение рекуррентной нейросети с архитектурой LSTM позволило достичь самой высокой точности по сравнению с другими моделями для горизонта прогнозирования на 5-6 часов. При-

менение сети LSTM позволило снизить среднюю абсолютную ошибку в процентах по сравнению с результатами, полученными другими исследователями [9]. Однако в отсутствие других эндогенных и экзогенных данных простые статистические модели оказываются более эффективны, чем модели машинного обучения для горизонта прогнозирования от 1 до 4 часов.

Таким образом, использование только временного ряда скорости ветра не позволяет получить высокую точность прогнозирования скорости ветра.

сч сч

<

с;

о

СЦ <

о

Ветровой парк в Адыгее

Источник: yuga.ru

27

ИКА

Адыгейская ВЭС

Источник: commons.wikimedia.org

Использованные источники

FoleyA. М., LeahyP. G„ Marvuglia A., McKeogh Е J. Current methods and advances in forecasting of wind power generation. Renewable Energy, 37:1-8, 2012.

Dietterich T. Ensemble Methods in Machine Learning, volume 1857 of Lecture Notes in Computer Science. P. 1-15. Springer Berlin Heidelberg, 2000.

Heinermann J., Kramer 0. On heterogeneous machine learning ensembles for wind power prediction. In AAA! Workshops, 2015. Zhao D. M„ Zhu Y. С. and Zhang X. (2011) Research on Wind Power Forecasting in Wind Farms. Proceedings of the 2011 IEEE Power Engineering and Automation Conference, Wuhan, 8-9 September2011, P. 175-178.

Wu V., Hong J. A literature review of wind forecasting technology in the world. In Proceedings of the IEEE Lausanne Power Tech, Lausanne, Switzerland, l-5July2007. P. 504-509.

Oza N. С. and Turner K.CIassifier ensembles: Select real-world applications. Information Fusion. 9:4-20, 2008. Зубакин В. А., ВеличкоА. И. Прогнозирование выработки ветряных электростанций и оценка влияния климатических параметров на кривую мощности ветрогенератора // Труды Российского государственного университета нефти и газа имени И. М. Губкина. № 1, 2022. С. 120-131. Bryan Lima, Sercan O.Arik, Nicolas Loeffb, Tomas Pfister. Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting Tomas Pfister University of Oxford, UK Google CloudAI, USA.

Yu Ding. Data Science for Wind Energy. USA, December 18, 2020:P. 51-52.

IN IN

<

с;

о

ex

<

o